神经网络先锋KAN作者刘子鸣：从科研新星到清华教授

神经网络界新星KAN作者刘子鸣，即将踏上新的学术旅程，其动向已获清华大学官方认证：

刘子鸣，计划于今年9月加入清华大学人工智能学院，担任助理教授。

KAN的初版论文于2024年4月问世，凭借其超越多层感知机（MLP）的精准度与可解释性，迅速成为学术界热议的焦点。其GitHub仓库在短短几天内便收获超过1.1k的关注度。

论文中指出，大家关注的焦点在于：

KANs作为MLPs的有力替代，为优化当前高度依赖MLPs的深度学习模型开辟了新路径。

刘子鸣的这一教职其实早前就已确定。从他2025年5月发布的招生文章来看，他的首批博士生招生工作已经完成。

KAN作者归国执教

刘子鸣，武汉人，是武钢三中的校友。

自幼展现卓越天赋的他，自初中起便是竞赛的常客，高中更是投身物理竞赛，并在2015年以全国第8名的成绩入选物理国家集训队，进而被保送至北大物理学院深造。

本科期间，刘子鸣便对物理学与机器学习的交叉领域产生了浓厚兴趣，并发表多篇论文于European Physical Journal C、Physical Review C等权威刊物及NeurIPS 2020等学术会议上。

本科毕业后，刘子鸣赴MIT攻读物理博士学位，师从物理学家Max Tegmark——这位教授原为宇宙学家，后转向AI领域研究。

KAN正是刘子鸣与Max Tegmark合作的结晶。在导师的指导下，刘子鸣致力于提升神经网络的可解释性，而KAN（Kolmogorov-Arnold Networks）的灵感正是源自Kolmogorov-Arnold数学定理，旨在揭开神经网络的“黑盒”之谜。

具体而言，Kolmogorov-Arnold定理的核心是：任何定义在有界域上的多元连续函数，都能表示为有限个单变量连续函数的两层嵌套叠加形式。

这一理论为KAN的诞生提供了关键思路：将复杂高维函数学习转化为单变量函数的学习。

换言之，KAN无需线性权重：传统MLP在节点上使用固定激活函数，而KAN则将学习的激活函数置于边（权重）上，以单变量函数替代传统线性权重。

这种设计使得网络中各变量的作用路径得以直观展现，赋予了KAN MLP所不具备的可解释性与交互性。

论文发布后迅速引发广泛关注。Google Scholar显示，至今KAN的引用量已超过3000次。

2024年8月，刘子鸣及其团队发布了KAN 2.0版本，旨在进一步提升KAN的实用性与易用性。

刘子鸣将KAN解读为三个层面的AI+Science：

Science for AI：原理源自数学；

Science of AI：揭示了Neural Scaling Law的一些现象；

AI for Science：借助KAN，能够发现科学与工程问题中的符号公式。

这正是他目前的研究方向。

更多趣闻

值得一提的是，刘子鸣并未放下对物理学的热爱。

他每日更新的博客“physics of AI”，以物理学视角探索AI奥秘，试图回答：什么样的模型、在何种数据上、会展现出何种现象。

“关键在于‘积累点滴洞见’，而非奢望‘重大突破’。”

⋯

自2025年12月31日起，刘子鸣坚持每日更新博客内容，他坦言：

“每日仅需两小时投入，我便能通过简单的模型发现神经网络的惊人规律。这些见解或许微不足道，但其中一些将足以改变领域现状。”

性价比服务器性价比vps